댓글 하나에 주제가 여러 개라면? 브랜드 반응 집계법
댓글 하나에 주제가 여러 개라면? 브랜드 반응 집계법
댓글 하나에 주제가 여러 개라면? 브랜드 반응 집계법
댓글 하나에 여러 주제가 담겼을 때 브랜드 반응을 집계하는 방법을 설명합니다. 댓글 수와 태그 배정 수의 차이, 중복 분류 검산과 보고서 작성 기준을 확인합니다.
댓글 하나에 여러 주제가 담겼을 때 브랜드 반응을 집계하는 방법을 설명합니다. 댓글 수와 태그 배정 수의 차이, 중복 분류 검산과 보고서 작성 기준을 확인합니다.
싱클리 팀
댓글 하나에 여러 주제가 담겼다면 각 주제를 보존한 채 댓글 수와 태그 배정 수를 구분해 브랜드 반응을 집계합니다.
한 댓글의 복수 주제와 중복 수집의 차이
같은 댓글이 여러 토픽에 속한다면 합계 초과의 원인을 복수 소속에서 먼저 찾습니다. 반면 같은 댓글과 같은 토픽의 조합이 반복 집계됐다면 중복 여부를 점검합니다.
다중 라벨(Multilabel): 하나의 분석 대상에 서로 배타적이지 않은 여러 라벨을 부여하는 방식입니다. scikit-learn 문서는 표본마다 복수 라벨을 허용하며 표본과 라벨의 관계를 이진 행렬로 표현합니다. 이를 댓글 분석에 적용하면 행은 댓글, 열은 토픽이 됩니다. (출처: scikit-learn, Multiclass and multioutput algorithms)
가령 용기와 향을 함께 언급한 댓글에서 향 라벨을 지워 합계를 맞추면 실제 발화의 일부를 잃습니다. 이 글에서는 댓글 ID와 토픽 ID의 조합을 한 번만 세는 방식을 제안합니다. 복수 토픽 소속은 보존하고, 같은 조합의 재입력만 정리하는 운영 규칙입니다.
토픽별 수치는 댓글 수를 나타냅니다. 같은 작성자가 여러 댓글을 남길 수 있으므로 보고서에서도 댓글과 사람을 명확하게 구분합니다.
댓글 수와 태그 배정 수, 두 가지 분모
댓글 기준 비중은 해당 토픽을 다룬 댓글의 비율을, 배정 기준 비중은 전체 라벨 배정 중 해당 토픽이 차지하는 비율을 나타냅니다. 두 비중은 서로 다른 질문에 답하는 지표입니다.
Kent State University의 다중응답 설명도 사례 기준 비중과 응답 배정 기준 비중을 구분합니다. 아래 방식은 그 분모 구분을 소셜 댓글에 적용한 실무 제안이며, 설명용 집계 기준에 해당합니다. (출처: Kent State University Libraries, Multiple Response Sets)
분석 대상 댓글 수를 N, 토픽별 댓글 수를 n, 전체 태그 배정 수를 T로 정의합니다. 댓글 기준 비율은 n/N, 배정 기준 비율은 n/T로 계산하고 백분율을 표시할 때 각각 100을 곱합니다. 이번 예시의 N에는 분석을 완료했지만 지정 토픽에 속하지 않는 댓글도 포함합니다.
아래는 설명용 가상 데이터입니다. 댓글 10건에 용기·향·가격을 배정한 결과를 사용합니다.
토픽 | 해당 댓글 수 | 댓글 기준 N=10 | 배정 기준 T=14 |
|---|---|---|---|
용기 | 6 | 60% | 42.86% |
향 | 5 | 50% | 35.71% |
가격 | 3 | 30% | 21.43% |
합계 | 14개 배정 | 140%, 비가산 | 100% |
용기 60%는 분석 대상 댓글 중 용기 토픽에 속한 비율입니다. 용기 42.86%는 전체 태그 배정 중 용기 배정이 차지한 비율입니다. 후자를 용기 언급 댓글의 점유율이라고 설명하면 분모가 바뀐 사실을 숨기게 됩니다.
소속행렬로 확인하는 교집합과 미분류
토픽별 합계만 확인하지 말고 각 댓글의 복수 토픽 소속을 확인합니다. 아래 소속행렬(Indicator matrix)에서 1은 해당 토픽 소속, 0은 비소속을 뜻합니다.
다음 표는 앞의 가상 비중표를 만든 원자료입니다. c09와 c10은 분석 완료 후 지정된 세 토픽에 배정되지 않은 댓글로 가정하며, 분석과 판정은 완료한 상태입니다.
댓글 ID | A 용기 | B 향 | C 가격 |
|---|---|---|---|
c01 | 1 | 1 | 1 |
c02 | 1 | 1 | 0 |
c03 | 1 | 1 | 0 |
c04 | 1 | 0 | 1 |
c05 | 0 | 1 | 1 |
c06 | 1 | 0 | 0 |
c07 | 1 | 0 | 0 |
c08 | 0 | 1 | 0 |
c09 | 0 | 0 | 0 |
c10 | 0 | 0 | 0 |
검산은 열 합계에서 시작해 겹침, 미분류 순서로 진행합니다.
열 합계: 용기 6건, 향 5건, 가격 3건으로 전체 배정은 14개입니다.
교집합: 용기·향은 3건, 용기·가격은 2건, 향·가격은 2건이며 세 토픽 공통 댓글은 1건입니다.
합집합: 하나 이상의 토픽에 속한 댓글은
6+5+3−3−2−2+1=8건입니다.전체 대조: 합집합 8건과 미분류 2건을 합하면 분석 대상 10건과 일치하며, 미분류율은 20%입니다.
쌍별 교집합만 빼면 세 토픽에 모두 속한 댓글을 과도하게 차감하므로 삼중 교집합을 다시 더합니다. 가상 행렬의 각 행에서 같은 댓글을 한 번씩 세면 합집합을 직접 확인할 수 있습니다.
미분류를 별도 토픽으로 추가하면 배정 분모도 달라지므로 새 기준으로 표를 다시 계산합니다. 분석 실패는 별도 상태로 기록하고 분모 포함 여부를 정합니다. N이나 T가 0일 때는 해당 비율을 0%로 꾸미지 않고 계산 불가로 표시합니다.
겹치는 주제의 막대그래프와 보고서 주석
댓글 기준 비중은 동일한 분모의 독립 막대로 보여주고 합계를 전체 점유율로 해석하지 않도록 안내합니다. 겹치는 토픽을 하나의 파이로 나누면 상호 배타적인 부분처럼 보일 수 있습니다.
영국 정부 Analysis Function의 시각화 지침은 파이차트에 의미 있는 전체로 합산되는 범주를 사용하도록 설명합니다. 이 원칙을 적용해 겹치는 댓글 기준 비중에는 독립 막대를 권합니다. (출처: UK Government Analysis Function, Data visualisation: charts)
다음은 복사해 사용할 수 있는 차트 주석 양식입니다. 실제 분석에서는 수집 조건을 덧붙이고 예시 숫자를 교체합니다.
설명용 가상 데이터입니다. 분석 대상 댓글 N=10, 태그 배정 T=14입니다. 다중 토픽을 허용하므로 댓글 기준 비중 합계 140%는 비가산 값입니다. 지정 토픽 미분류 2건을 N에 포함하고 T에는 포함하지 않습니다. 실제 보고서에는 수집 기간·채널, 중복 정리 기준, 라벨 체계 버전, 분석 실패 처리 기준을 함께 기록합니다.
일부 토픽만 보여주면 배정 기준 비중의 표시 합계도 100%보다 작을 수 있습니다. 차트에 표시한 범위와 분모에 포함한 범위를 함께 기록해야 비교가 가능합니다. 전체 보고서 배치는 소셜 리스닝 KPI 대시보드 가이드와 연결하되, 이 글의 검산표는 토픽 간 겹침을 확인하는 데 사용합니다.
브랜드 반응 비교를 위한 집계 범위
브랜드별·기간별 수치를 비교할 때는 댓글을 모은 범위와 분류 규칙부터 맞춥니다. 예를 들어 이번 달에는 가격 질문까지 포함하고 지난달에는 구매 후 평가만 모았다면, 가격 토픽 비중의 차이에 수집 조건이 섞입니다. 숫자 옆에 검색어와 포함·제외 조건을 남기면 담당자가 바뀌어도 비교 범위를 되짚을 수 있습니다.
같은 작성자가 여러 댓글을 남긴 경우의 처리도 목적에 맞춰 정합니다. 댓글에서 반복되는 질문을 찾는 분석은 댓글 단위를 유지할 수 있습니다. 서로 다른 작성자의 반응 범위를 비교하려면 작성자 단위로 다시 집계해야 하며, 이때 댓글 수로 계산한 비율을 그대로 가져오지 않습니다.
주제와 감정은 별도 항목으로 저장합니다. “향은 좋지만 용기가 불편하다”라는 설명용 창작 댓글에는 향과 용기 주제를 함께 부여하고, 각각의 평가 방향을 연결할 수 있습니다. 이 댓글 전체를 부정 하나로만 요약하면 향에 대한 호평이 사라지므로 주제별 원문 근거를 남깁니다.
새 주제를 추가할 때는 과거 데이터의 재분류 범위까지 정합니다. 기존의 용기 주제를 뚜껑과 펌프로 나눴다면 새 분류표와 예전 분류표의 항목 수가 달라집니다. 과거까지 같은 기준으로 다시 집계하거나, 기준 변경 시점을 표시한 뒤 비교 가능한 범위만 해석합니다.
핵심 정리
합계 초과와 중복 집계를 구분하고, 같은 댓글의 서로 다른 토픽은 보존합니다.
댓글 기준과 태그 배정 기준 비중을 다른 지표로 보고합니다.
소속행렬에서 교집합·합집합·미분류를 검산합니다.
차트에 기간, 채널, 분모, 라벨 버전과 비가산성을 명시합니다.
좋은 토픽 보고서는 합계를 보기 좋게 맞추는 대신 집계 대상과 계산 기준을 설명합니다. 소셜 리스닝 활용을 논의하려는 팀에는 싱클리 데모 상담을 안내합니다.
댓글 하나에 여러 주제가 담겼다면 각 주제를 보존한 채 댓글 수와 태그 배정 수를 구분해 브랜드 반응을 집계합니다.
한 댓글의 복수 주제와 중복 수집의 차이
같은 댓글이 여러 토픽에 속한다면 합계 초과의 원인을 복수 소속에서 먼저 찾습니다. 반면 같은 댓글과 같은 토픽의 조합이 반복 집계됐다면 중복 여부를 점검합니다.
다중 라벨(Multilabel): 하나의 분석 대상에 서로 배타적이지 않은 여러 라벨을 부여하는 방식입니다. scikit-learn 문서는 표본마다 복수 라벨을 허용하며 표본과 라벨의 관계를 이진 행렬로 표현합니다. 이를 댓글 분석에 적용하면 행은 댓글, 열은 토픽이 됩니다. (출처: scikit-learn, Multiclass and multioutput algorithms)
가령 용기와 향을 함께 언급한 댓글에서 향 라벨을 지워 합계를 맞추면 실제 발화의 일부를 잃습니다. 이 글에서는 댓글 ID와 토픽 ID의 조합을 한 번만 세는 방식을 제안합니다. 복수 토픽 소속은 보존하고, 같은 조합의 재입력만 정리하는 운영 규칙입니다.
토픽별 수치는 댓글 수를 나타냅니다. 같은 작성자가 여러 댓글을 남길 수 있으므로 보고서에서도 댓글과 사람을 명확하게 구분합니다.
댓글 수와 태그 배정 수, 두 가지 분모
댓글 기준 비중은 해당 토픽을 다룬 댓글의 비율을, 배정 기준 비중은 전체 라벨 배정 중 해당 토픽이 차지하는 비율을 나타냅니다. 두 비중은 서로 다른 질문에 답하는 지표입니다.
Kent State University의 다중응답 설명도 사례 기준 비중과 응답 배정 기준 비중을 구분합니다. 아래 방식은 그 분모 구분을 소셜 댓글에 적용한 실무 제안이며, 설명용 집계 기준에 해당합니다. (출처: Kent State University Libraries, Multiple Response Sets)
분석 대상 댓글 수를 N, 토픽별 댓글 수를 n, 전체 태그 배정 수를 T로 정의합니다. 댓글 기준 비율은 n/N, 배정 기준 비율은 n/T로 계산하고 백분율을 표시할 때 각각 100을 곱합니다. 이번 예시의 N에는 분석을 완료했지만 지정 토픽에 속하지 않는 댓글도 포함합니다.
아래는 설명용 가상 데이터입니다. 댓글 10건에 용기·향·가격을 배정한 결과를 사용합니다.
토픽 | 해당 댓글 수 | 댓글 기준 N=10 | 배정 기준 T=14 |
|---|---|---|---|
용기 | 6 | 60% | 42.86% |
향 | 5 | 50% | 35.71% |
가격 | 3 | 30% | 21.43% |
합계 | 14개 배정 | 140%, 비가산 | 100% |
용기 60%는 분석 대상 댓글 중 용기 토픽에 속한 비율입니다. 용기 42.86%는 전체 태그 배정 중 용기 배정이 차지한 비율입니다. 후자를 용기 언급 댓글의 점유율이라고 설명하면 분모가 바뀐 사실을 숨기게 됩니다.
소속행렬로 확인하는 교집합과 미분류
토픽별 합계만 확인하지 말고 각 댓글의 복수 토픽 소속을 확인합니다. 아래 소속행렬(Indicator matrix)에서 1은 해당 토픽 소속, 0은 비소속을 뜻합니다.
다음 표는 앞의 가상 비중표를 만든 원자료입니다. c09와 c10은 분석 완료 후 지정된 세 토픽에 배정되지 않은 댓글로 가정하며, 분석과 판정은 완료한 상태입니다.
댓글 ID | A 용기 | B 향 | C 가격 |
|---|---|---|---|
c01 | 1 | 1 | 1 |
c02 | 1 | 1 | 0 |
c03 | 1 | 1 | 0 |
c04 | 1 | 0 | 1 |
c05 | 0 | 1 | 1 |
c06 | 1 | 0 | 0 |
c07 | 1 | 0 | 0 |
c08 | 0 | 1 | 0 |
c09 | 0 | 0 | 0 |
c10 | 0 | 0 | 0 |
검산은 열 합계에서 시작해 겹침, 미분류 순서로 진행합니다.
열 합계: 용기 6건, 향 5건, 가격 3건으로 전체 배정은 14개입니다.
교집합: 용기·향은 3건, 용기·가격은 2건, 향·가격은 2건이며 세 토픽 공통 댓글은 1건입니다.
합집합: 하나 이상의 토픽에 속한 댓글은
6+5+3−3−2−2+1=8건입니다.전체 대조: 합집합 8건과 미분류 2건을 합하면 분석 대상 10건과 일치하며, 미분류율은 20%입니다.
쌍별 교집합만 빼면 세 토픽에 모두 속한 댓글을 과도하게 차감하므로 삼중 교집합을 다시 더합니다. 가상 행렬의 각 행에서 같은 댓글을 한 번씩 세면 합집합을 직접 확인할 수 있습니다.
미분류를 별도 토픽으로 추가하면 배정 분모도 달라지므로 새 기준으로 표를 다시 계산합니다. 분석 실패는 별도 상태로 기록하고 분모 포함 여부를 정합니다. N이나 T가 0일 때는 해당 비율을 0%로 꾸미지 않고 계산 불가로 표시합니다.
겹치는 주제의 막대그래프와 보고서 주석
댓글 기준 비중은 동일한 분모의 독립 막대로 보여주고 합계를 전체 점유율로 해석하지 않도록 안내합니다. 겹치는 토픽을 하나의 파이로 나누면 상호 배타적인 부분처럼 보일 수 있습니다.
영국 정부 Analysis Function의 시각화 지침은 파이차트에 의미 있는 전체로 합산되는 범주를 사용하도록 설명합니다. 이 원칙을 적용해 겹치는 댓글 기준 비중에는 독립 막대를 권합니다. (출처: UK Government Analysis Function, Data visualisation: charts)
다음은 복사해 사용할 수 있는 차트 주석 양식입니다. 실제 분석에서는 수집 조건을 덧붙이고 예시 숫자를 교체합니다.
설명용 가상 데이터입니다. 분석 대상 댓글 N=10, 태그 배정 T=14입니다. 다중 토픽을 허용하므로 댓글 기준 비중 합계 140%는 비가산 값입니다. 지정 토픽 미분류 2건을 N에 포함하고 T에는 포함하지 않습니다. 실제 보고서에는 수집 기간·채널, 중복 정리 기준, 라벨 체계 버전, 분석 실패 처리 기준을 함께 기록합니다.
일부 토픽만 보여주면 배정 기준 비중의 표시 합계도 100%보다 작을 수 있습니다. 차트에 표시한 범위와 분모에 포함한 범위를 함께 기록해야 비교가 가능합니다. 전체 보고서 배치는 소셜 리스닝 KPI 대시보드 가이드와 연결하되, 이 글의 검산표는 토픽 간 겹침을 확인하는 데 사용합니다.
브랜드 반응 비교를 위한 집계 범위
브랜드별·기간별 수치를 비교할 때는 댓글을 모은 범위와 분류 규칙부터 맞춥니다. 예를 들어 이번 달에는 가격 질문까지 포함하고 지난달에는 구매 후 평가만 모았다면, 가격 토픽 비중의 차이에 수집 조건이 섞입니다. 숫자 옆에 검색어와 포함·제외 조건을 남기면 담당자가 바뀌어도 비교 범위를 되짚을 수 있습니다.
같은 작성자가 여러 댓글을 남긴 경우의 처리도 목적에 맞춰 정합니다. 댓글에서 반복되는 질문을 찾는 분석은 댓글 단위를 유지할 수 있습니다. 서로 다른 작성자의 반응 범위를 비교하려면 작성자 단위로 다시 집계해야 하며, 이때 댓글 수로 계산한 비율을 그대로 가져오지 않습니다.
주제와 감정은 별도 항목으로 저장합니다. “향은 좋지만 용기가 불편하다”라는 설명용 창작 댓글에는 향과 용기 주제를 함께 부여하고, 각각의 평가 방향을 연결할 수 있습니다. 이 댓글 전체를 부정 하나로만 요약하면 향에 대한 호평이 사라지므로 주제별 원문 근거를 남깁니다.
새 주제를 추가할 때는 과거 데이터의 재분류 범위까지 정합니다. 기존의 용기 주제를 뚜껑과 펌프로 나눴다면 새 분류표와 예전 분류표의 항목 수가 달라집니다. 과거까지 같은 기준으로 다시 집계하거나, 기준 변경 시점을 표시한 뒤 비교 가능한 범위만 해석합니다.
핵심 정리
합계 초과와 중복 집계를 구분하고, 같은 댓글의 서로 다른 토픽은 보존합니다.
댓글 기준과 태그 배정 기준 비중을 다른 지표로 보고합니다.
소속행렬에서 교집합·합집합·미분류를 검산합니다.
차트에 기간, 채널, 분모, 라벨 버전과 비가산성을 명시합니다.
좋은 토픽 보고서는 합계를 보기 좋게 맞추는 대신 집계 대상과 계산 기준을 설명합니다. 소셜 리스닝 활용을 논의하려는 팀에는 싱클리 데모 상담을 안내합니다.





